Geri Dön

Motor imgeleme eeg sinyallerinin zaman-frekans spektrogramı temelli sınıflandırma yöntemlerinin incelenmesi ve karşılaştırılması

Examination and comparison of time-frequency spectrogram-based classification methods for motor imagery eeg signals

PDF İndir

  1. Tez No: 898166
  2. Yazar: MEHMET GÜROCAK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ VEYSEL GÖKHAN BÖCEKÇİ, DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 115

Özet

Bu çalışmada, motor imgeleme elektroensefalografi (MI-EEG) sinyallerinin zaman-frekans spektrogramı temelli sınıflandırma yöntemleri incelenmiş ve karşılaştırılmıştır. Sınıflandırma yöntemleri olarak Konvolüsyonel Sinir Ağları, Özyinelemeli Sinir Ağları, Uzun-Kısa Vadeli Bellek, EfficientNet ve Görüş Transformatörü modelleri kullanılmıştır. Motor imgeleme, bireylerin hareket etmeksizin bir hareketi zihinsel olarak hayal etmeleri sürecidir ve bu süreçte beynin ilgili motor bölgeleri aktif hale gelir. Bu sinyaller, beynin motor korteksinde oluşan elektriksel aktivitelerin ölçülmesiyle elde edilir ve bu sinyallerin analizi, çeşitli hareketlerin algılanması ve sınıflandırılması için önemlidir. Bu çalışma kapsamında, 8 farklı denekten sağ el, sol el, sağ ayak ve sol ayak imgeleme verileri toplanmıştır. Oluşturulan uygulama ile bilgisayar destekli deney yönetimi kullanılarak katılımcıların uygulama tarafından verilen yönergeleri takip etmeleri sağlanmıştır. Toplanan verilere segmentasyon, bant geçiren filtre ve baz düzeltmesi işlemleri uygulanmış ve her biri sinyal zaman-frekans spektral analiz yöntemleri ile spektrograma dönüştürülmüştür. Spektrogram dönüşümünde özellikle C3 ve C4 kanallarının verileri kullanılmış ve bu iki kanalın spektrogram görüntüleri, enerji farklılıkların mümkün olduğunca ön planda olması için birbirinden çıkarılmıştır. Elde edilen çıkarılmış görüntüler, derin öğrenme yöntemleri ile sınıflandırılmıştır. Bu çalışmada yapılan sınıflandırma sonuçlarına göre en iyi sonuçlara Konvolüsyonel Sinir Ağları modeli ile ulaşılmış ve sağ el-sol el sınıflandırmalarında %75,53, sağ ayak-sol ayak sınıflandırmalarında %72,81 doğruluk oranı elde edilmiştir. Bu sonuçlar, motor imgeleme Elektroensefalografi (EEG) sinyallerinin zaman-frekans spektrogramları kullanılarak etkin bir şekilde sınıflandırılabileceğini göstermektedir. Özellikle, literatürde az sayıda bulunan sağ ayak-sol ayak imgelemeleri de sağ el-sol el imgelemeleri ile ele alınmıştır. Çalışma, MI-EEG sinyallerinin sınıflandırılmasında zaman-frekans analiz yöntemlerinin etkinliğini ortaya koyarak, beyin-bilgisayar arayüzü ve nörorehabilitasyon alanlarında uygulamaların geliştirilmesine katkı sağlamaktadır.

Özet (Çeviri)

In this study, classification methods based on time-frequency spectrograms of motor imagery electroencephalography (MI-EEG) signals were examined and compared. The classification methods used include Convolutional Neural Networks, Recurrent Neural Networks, Long Short-Term Memory, EfficientNet, and Vision Transformer models. Motor imagery is the process where individuals mentally visualize a movement without physically performing it, during which the relevant motor regions of the brain become active. These signals are obtained by measuring the electrical activities occurring in the motor cortex of the brain, and the analysis of these signals is crucial for detecting and classifying various movements. In this study, motor imagery data for the right hand, left hand, right foot, and left foot were collected from 8 different subjects. The participants were instructed to follow the guidelines provided by the application using computer-assisted experiment management. The collected data were subjected to segmentation, band-pass filtering, and baseline correction, and each signal was transformed into a spectrogram using time-frequency spectral analysis methods. In the spectrogram transformation, the data from the C3 and C4 channels were specifically used, and the spectrogram images of these two channels were subtracted from each other to highlight the energy differences as much as possible. The obtained differential images were classified using deep learning methods. According to the classification results in this study, the best results were achieved with the Convolutional Neural Networks model, with an accuracy rate of 75.53% for right hand-left hand classifications and 72.81% for right foot-left foot classifications. These results demonstrate that motor imagery electroencephalography (EEG) signals can be effectively classified using time-frequency spectrograms. Notably, right foot-left foot imagery, which is less frequently studied in the literature, was also considered alongside right hand-left hand imagery. This study highlights the effectiveness of time-frequency analysis methods in classifying MI-EEG signals, contributing to the development of applications in brain-computer interface and neurorehabilitation fields.

Benzer Tezler

  1. Tez No

    473253

    Motor imagery EEG signal classification using deep learning for brain computer interfaces

    Beyin bilgisayar arayüzü için derin öğrenme kullanarak motor imgeleme EEG sinyali sınıflandırma

    YOUSEF REZAEI TABAR

    Doktora

    İngilizce

    İngilizce

    2017

    BiyomühendislikOrta Doğu Teknik Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR HALICI

    PROF. DR. CANAN KALAYCIOĞLU

  2. Tez No

    907119

    Derin öğrenme yöntemleri ile EEG tabanlı motor imgeleme sinyallerinin sınıflandırılması

    Classification of motor imagery EEG signals using deep learning methods

    UMUT ÖZFİDAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL NİŞANTAŞI ÜNİVERSİTESİ

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜLSÜM ŞANAL

    DR. ÖĞR. ÜYESİ KÜBRA EROĞLU

  3. Tez No

    775895

    Spatiotemporal graph convolutional neural networks for motor imagery EEG classification

    Motor imgeleme EEG sınıflandırmasında uzay-zaman çizge evrişimli sinir ağları

    AHMED MOHAMED MOHAMED MOHAMED ALRAMLY

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilim ve TeknolojiBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ADEMOĞLU

  4. Tez No

    810251

    Improving classification of eeg-based motor imagery signals with cross-subject data augmentation and attention-guided multi-domain deep learning

    Denekler-arası veri artırımı ve dikkat-odaklı çok alanlı derin öğrenme yoluyla eeg-tabanlı motor imgeleme sinyallerinin sınıflandırılmasının iyileştirilmesi

    MUHAMMED ENES ÖZELBAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SERHAT ÖZEKES

    DR. ÖĞR. ÜYESİ EMİNE ELİF TÜLAY

  5. Tez No

    834781

    Classification of ten different motor imagery eeg signals by using deep neural networks

    On farklı motor hareket hayaline ait eeg işaretlerinin derin sinir ağları ile sınıflandırılması

    NURİ KORHAN

    Doktora

    İngilizce

    İngilizce

    2023

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ZÜMRAY ÖLMEZ

Geri Dön